1.Multiheads-Self-Attentiona简介

多头自注意力机制（Multi-Head Self-Attention）是一种注意力机制的变体，用于增强模型在处理序列数据时的建模能力。它在自注意力机制的基础上引入了多个头（Attention Head），每个头都可以学习到不同的注意力权重分布，从而能够捕捉到不同的关系和特征。

多头自注意力机制可以分为以下几个主要步骤：

1.1查询、键和值的线性变换

        首先，将输入的查询向量Q、键向量K和值向量V进行线性变换，得到多组查询、键和值。具体来说，将它们通过不同的线性变换矩阵分别投射到不同的低维空间中，得到多组变换后的查询向量Q'、键向量K'和值向量V'。

1.2多头注意力权重的计算

        在这一步骤中，针对每个注意力头，分别计算出对应的注意力权重。具体来说，对于每个头，将变换后的查询向量Q'与键向量K'进行点积操作，然后通过softmax函数将得分归一化为概率分布。这样就得到了多组注意力权重。

1.3多头上下文向量的计算

        针对每个注意力头，将对应的注意力权重与变换后的值向量V'进行加权求和，得到多组上下文向量。这些上下文向量将包含各个头所关注的不同信息。

1.4多头上下文的融合

        将多组上下文向量在特定维度上进行拼接或线性变换，将它们融合成最终的上下文向量。这样得到的上下文向量将包含从多个头中学到的不同特征和关系。

        多头自注意力机制的优势在于可以并行地学习多组不同的注意力权重，从而能够提取不同层次、不同类型的相关信息。通过引入多头机制，模型可以同时关注序列中的多个位置，并从不同的角度对序列进行编码，提高了模型的表达能力和泛化能力。

图中h就是代表头的数量，这个是transformer结构的一部分

2.代码实现Multi-heads-Self-Attentiona结构

import torch import torch.nn.functional as F # 一个形状为 (batch_size, seq_len, feature_dim) 的张量 x x = torch.randn(2, 3, 4)  # 形状 (batch_size, seq_len, feature_dim)  # 定义头数和每个头的维度 num_heads = 2 head_dim = 2 # feature_dim 必须是 num_heads * head_dim 的整数倍 assert x.size(-1) == num_heads * head_dim # 定义线性层用于将 x 转换为 Q, K, V 向量 linear_q = torch.nn.Linear(4, 4) linear_k = torch.nn.Linear(4, 4) linear_v = torch.nn.Linear(4, 4) # 通过线性层计算 Q, K, V Q = linear_q(x)  # 形状 (batch_size, seq_len, feature_dim)  K = linear_k(x)  # 形状 (batch_size, seq_len, feature_dim)  V = linear_v(x)  # 形状 (batch_size, seq_len, feature_dim)  # 将 Q, K, V 分割成 num_heads 个头 def split_heads(tensor, num_heads):     batch_size, seq_len, feature_dim = tensor.size()     head_dim = feature_dim // num_heads     output = tensor.view(batch_size, seq_len, num_heads, head_dim).transpose(1, 2)     return  output # 形状 (batch_size, num_heads, seq_len, feature_dim) Q = split_heads(Q, num_heads)  # 形状 (batch_size, num_heads, seq_len, head_dim) K = split_heads(K, num_heads)  # 形状 (batch_size, num_heads, seq_len, head_dim) V = split_heads(V, num_heads)  # 形状 (batch_size, num_heads, seq_len, head_dim) # 计算 Q 和 K 的点积，作为相似度分数 , 也就是自注意力原始权重 raw_weights = torch.matmul(Q, K.transpose(-2, -1))  # 形状 (batch_size, num_heads, seq_len, seq_len) # 对自注意力原始权重进行缩放 scale_factor = K.size(-1) ** 0.5 scaled_weights = raw_weights / scale_factor  # 形状 (batch_size, num_heads, seq_len, seq_len) # 对缩放后的权重进行 softmax 归一化，得到注意力权重 attn_weights = F.softmax(scaled_weights, dim=-1)  # 形状 (batch_size, num_heads, seq_len, seq_len) # 将注意力权重应用于 V 向量，计算加权和，得到加权信息 attn_outputs = torch.matmul(attn_weights, V)  # 形状 (batch_size, num_heads, seq_len, head_dim) # 将所有头的结果拼接起来 def combine_heads(tensor, num_heads):     batch_size, num_heads, seq_len, head_dim = tensor.size()     feature_dim = num_heads * head_dim     output = tensor.transpose(1, 2).contiguous().view(batch_size, seq_len, feature_dim)     return output# 形状 : (batch_size, seq_len, feature_dim) attn_outputs = combine_heads(attn_outputs, num_heads)  # 形状 (batch_size, seq_len, feature_dim)  # 对拼接后的结果进行线性变换 linear_out = torch.nn.Linear(4, 4) attn_outputs = linear_out(attn_outputs)  # 形状 (batch_size, seq_len, feature_dim)  print(" 加权信息 :", attn_outputs)

在我的其它文章中详细介绍了transformer和gpt的结构，具体代码见此专栏的其他文章 

3.总结

        值得注意的是，多头自注意力机制通常还会引入一些线性变换和归一化操作，以增加模型的表达能力和稳定性。比如，可以通过将多个头输出的上下文向量进行线性变换并拼接，然后再通过另一个线性变换将其映射到目标空间。同时，为了保持变换前后的数值范围一致，常常会进行归一化操作，如层归一化（Layer Normalization）或批次归一化（Batch Normalization）。

        综上所述，多头自注意力机制通过引入多组注意力头，可以并行学习多个不同的注意力权重，从而能够提取不同层次、不同类型的相关信息，增强模型的表达能力和泛化能力。它是当前很多自然语言处理任务中常用的重要注意力机制之一。